基于PCA-SSA-PNN的齿轮故障诊断

齿轮在工作过程中故障发生率高是造成传动机械设备故障的主要原因。通过对齿轮故障进行正确的特征提取和类型辨识,可实现对齿轮故障的有效识别。以齿轮箱9种不同的齿轮状态振动加速度信号为研究对象,我们提出一种利用主成分分析法降维,基于麻雀搜索算法优化概率神经网络特征参数的齿轮故障诊断模型,以提升概率神经网络模型的正确识别率。本文将该模型与传统概率神经网络模型、主成分分析-概率神经网络模型的正确识别率,以及改变样本数据量和添加不同噪声系数对正确识别率的影响进行对比试验,证明了该模型对齿轮故障诊断的有效性。

基于RF-PCA-改进SVM模型的齿轮故障诊断方法

为提升齿轮故障诊断的正确率,提出了基于随机森林(Random Forest,RF)和主成分分析法(Principal Components Analysis,PCA)对齿轮振动信号进行特征降维处理,并采用粒子群算法(Particle Swarm Optimization,PSO)求解支持向量机(Support Vector Machine,SVM)特征参数最佳取值的齿轮故障诊断模型(RF-PCA-改进SVM模型)。对齿轮箱实例中正常、断齿、齿根开裂、剥落、削尖等9种不同状态进行了验证,证明了RF-PCA-改进SVM模型对齿轮故障诊断的有效性。试验结果表明:通过对比不同诊断模型识别率,证明RF-PCA-改进SVM模型具有更优的齿轮故障识别率,平均达到了99.66%,且计算效率较高;样本数量改变虽然会影响模型正确识别率,但不同的改变方式对识别率影响的程度不同,对于RF-PCA-改进SVM模型,当齿轮状态数据大于40个时即可达到88%以上的正确识别率。